metadatarouting是scikit-learn 1.3引入的元数据传递机制，要求显式声明并启用路由（如pipe.set_params(clf__sample_weight=true) + pipe.enable_metadata_routing()），否则sample_weight等参数将静默失效或报错。
scikit-learn 1.3 引入的 MetadataRouting 不是“可选增强”，而是底层元估计器行为的根本性调整——如果你在 Pipeline、GridSearchCV 或 CalibratedClassifierCV 中传了 sample_weight、groups 等参数，不显式适配，大概率会静默失效或报 TypeError: got unexpected keyword argument。
MetadataRouting 是什么，为什么不能跳过
它把原来“硬编码传递元数据”的方式，改为可声明、可验证、可路由的机制。以前你写 pipeline.fit(X, y, sample_weight=w) 能跑通，靠的是 estimator 内部手动提取和转发；现在必须明确告诉每个环节：“这个 sample_weight 应该送给谁”。否则，Pipeline 不知道该传给哪一步，GridSearchCV 甚至可能完全忽略它。
- 所有支持该机制的类（如
Pipeline、ColumnTransformer）默认启用新路由逻辑 -
fit、score、predict等方法现在检查传入的元数据是否被声明支持，不支持就直接报错 - 旧代码若没调用
set_params(**{...})或enable_metadata_routing()，多数情况会中断执行
如何快速让 Pipeline 支持 sample_weight
核心动作只有两步：声明路由目标 + 显式启用。比如你有一个带 StandardScaler 和 LogisticRegression 的 pipeline，而只想把 sample_weight 传给后者：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
<p>pipe = Pipeline([
("scaler", StandardScaler()),
("clf", LogisticRegression()),
])</p><h1>声明：只有 clf 步骤接收 sample_weight</h1><p>pipe.set_params(clf__sample_weight=True)</p><div class="aritcle_card flexRow artxards">
<div class="artcardd flexRow">
<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill8054" title="python-parallelization"><img
src="https://img.php.cn/upload/skill/000/000/081/179181013081932.jpg" alt="python-parallelization" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a rel="nofollow" href="/xiazai/skill8054" title="python-parallelization" class="overflowclass">python-parallelization</a>
<p class="overflowclass">将顺序 Python 代码转换为并行/并发实现，用于在需要并行化 Python 代码、提升性能时使用。</p>
</div>
<a rel="nofollow" href="/xiazai/skill8054" title="python-parallelization" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
</a>
</div>
</div><h1>启用全局路由（必须！）</h1><p>pipe.enable_metadata_routing()</p><h1>现在可以安全传参</h1><p>pipe.fit(X, y, sample_weight=w)
</p>
-
clf__sample_weight=True表示把sample_weight路由到clf子估计器的fit方法 - 漏掉
enable_metadata_routing()，fit会拒绝接收任何元数据参数 - 如果某步不支持（如
StandardScaler的fit不接受sample_weight），设成False或不设即可
cross_val_score 和 GridSearchCV 的兼容要点
这两个常用工具已内置路由支持，但前提是你的 estimator 或 pipeline 已正确配置。常见陷阱：
-
cross_val_score(pipe, X, y, sample_weight=w)会失败，除非pipe已调用enable_metadata_routing()并声明了路由规则 -
GridSearchCV的fit_params参数已被弃用，改用param_distributions中的__sample_weight键（如{"clf__sample_weight": [True]}） - 自定义 estimator 必须实现
get_metadata_routing()方法，否则无法参与路由；简单起见，可继承BaseEstimator并用@_routing_enabled装饰器
容易被忽略的兼容性断裂点
不是所有 estimator 都已完全适配。截至 1.3.2，以下情况仍需手动干预：
-
calibration.CalibratedClassifierCV在 1.3.2 才修复了对大预测分值的数值稳定性，但其内部sample_weight路由仍需确认子模型是否声明支持 -
model_selection.StratifiedKFold等 splitter 不参与路由，groups或sample_weight必须由外层（如cross_val_score）直接处理 - 第三方 estimator 若未升级至兼容 1.3+ 的接口，即使包装进
Pipeline，也会导致路由失败——错误信息往往只提示“sample_weightnot supported”，不会指出具体是哪一步
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
